解读型机器学习助力减重手术候选者肥胖低通气综合征个体化风险预测

亮点

• 一种可解释机器学习模型可利用7项常规临床变量，准确预测减重手术候选者发生肥胖低通气综合征（OHS）的风险。
• 血清碳酸氢盐被识别为最强预测因子，凸显其在低通气生理评估中的重要性。
• 该模型在内部和外部验证队列中均表现出良好的区分度和校准度，AUC均高于0.86。
• 基于该模型开发的在线风险计算器操作简便，可支持个体化围手术期风险分层及及时的诊断评估。

研究背景

肥胖低通气综合征（Obesity Hypoventilation Syndrome，OHS）是肥胖患者中一种严重且常被低估的并发症，其特征为由于低通气导致的慢性日间高碳酸血症（动脉二氧化碳分压升高）。该综合征会显著增加围手术期发病率和死亡率，尤其是在本身就存在较高心肺风险的减重手术候选者中。然而，由于临床怀疑不足，以及需要进行动脉血气分析或复杂睡眠检查，OHS 的诊断仍然具有挑战性，这可能延误及时识别和干预。

通过机器学习（Machine Learning，ML）整合多项临床和实验室变量，为改善 OHS 的个体化风险评估提供了机会。可解释机器学习方法能够清晰展示各变量的贡献，从而提高临床接受度。本研究针对这一关键空白，开发并验证了一种可解释 ML 模型，使用术前减重手术评估中常见可获得的变量来预测 OHS 风险。

研究设计与方法

本回顾性横断面研究分析了中国肥胖与代谢手术数据库中 673 例减重手术候选者。患者被随机分为训练队列（70%，n=471）和内部测试队列（30%，n=202）。此外，纳入了来自另一家三级医院的 175 例患者作为外部验证队列，以确认模型的泛化能力。

特征选择结合了最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator，LASSO）回归、Boruta 算法及 bootstrap 重采样，以确保稳定性。研究开发并测试了 10 种不同的 ML 模型，包括逻辑回归、基于树的算法以及集成方法。

模型性能通过区分度（受试者工作特征曲线下面积，area under the receiver operating characteristic curve，AUC）、校准曲线和临床效用分析进行评估。采用 SHapley Additive exPlanations（SHAP）值解释各预测因子对 OHS 风险预测的影响。最终的逻辑回归模型被实现为一个可访问的基于 Web 的风险计算器。

主要发现

最终的预测性逻辑回归模型纳入了 7 个关键变量：血清碳酸氢盐（mmol/L）、2 型糖尿病（type 2 diabetes mellitus）、平均红细胞血红蛋白浓度、患者自述疲倦、体重指数（body mass index，BMI）、睡眠中观察到的呼吸暂停发作以及颈围。

模型区分度极佳：训练队列 AUC 为 0.884（95% CI，0.844–0.917），内部测试队列为 0.863（95% CI，0.784–0.935），外部验证队列为 0.870（95% CI，0.806–0.926）。校准曲线显示，预测的 OHS 风险与实际观察到的风险之间具有良好一致性。决策曲线分析提示，在较宽的阈值概率范围内均具有显著的净临床获益。

SHAP 分析显示，血清碳酸氢盐是影响最大的预测因子，反映了其在低通气所致二氧化碳潴留中的核心病理生理作用。其他变量亦发挥了重要作用，支持采用多维度筛查策略。

该公开可用的在线计算器可便捷输入临床参数并生成个体化 OHS 风险概率，从而促进床旁临床决策。

专家点评

这项严谨的研究通过可解释机器学习进行 OHS 风险分层，回应了围手术期管理中的一个迫切临床难题。纳入内部与外部验证队列提升了模型的稳健性及其在不同临床场景中的泛化能力。

尤其值得关注的是，研究证实血清碳酸氢盐这一易获得的实验室指标对低通气风险具有很强的预测能力，再次确认其作为无创筛查生物标志物的作用。所选预测因子同时结合了主观症状（疲倦、观察到的呼吸暂停）以及客观的人体测量和实验室数据，体现了整体化评估思路。

不过，本研究也存在局限性，包括回顾性设计以及仅限于中国患者人群，这可能影响其在全球范围内的适用性，仍需进一步验证。未来需要开展前瞻性研究，以确认其预测价值，并评估基于风险分层的靶向干预是否能够改善围手术期结局。

此外，尽管该模型具有可解释性且采用的是常规参数，但 OHS 的确诊通常仍需要动脉血气分析或多导睡眠监测等确认性检查；该模型更多用于分诊与风险筛选，而非取代确诊。

结论

本研究提出了一种兼具可解释性和实用性的 ML 逻辑回归模型，使用 7 项易获取的临床变量，可准确预测减重手术候选者的 OHS 风险。该模型在不同队列中的优良表现，以及其以在线风险计算器形式部署的可及性，为早期识别和干预提供了有价值的工具，可能有助于降低这一常被漏诊的综合征相关的围手术期并发症。

将此类预测分析纳入常规术前评估，或可促进个体化诊断流程与患者宣教，最终改善这一高风险人群的结局。未来研究应重点关注在异质性人群中的前瞻性验证，以及其对临床决策路径和手术安全性的影响评估。

经费与 ClinicalTrials.gov

本研究由中国三级医院的机构科研基金资助；未注明具体临床试验注册信息。

参考文献

1. Mokhlesi B, Masa JF, Brozek JL, et al. Evaluation and Management of Obesity Hypoventilation Syndrome. An Official American Thoracic Society Clinical Practice Guideline. Am J Respir Crit Care Med. 2019;200(3):e6-e24. doi:10.1164/rccm.201908-1581ST

2. Donovan LM, Patel SR. Obesity Hypoventilation Syndrome: Epidemiology and Diagnosis. Sleep Med Clin. 2019;14(2):131-138. doi:10.1016/j.jsmc.2019.01.002

3. Lundberg JO, Weitzberg E, Gladwin MT. The nitrate–nitrite–nitric oxide pathway in physiology and therapeutics. Nat Rev Drug Discov. 2008;7(2):156-167. (Discusses mechanisms related to hypoxia and ventilation.)

4. Lundberg JO, Weitzberg E. Nasal nitric oxide in man. Thorax. 1999;54(10):947-952.

5. Topaloglu O, ILk O, Ural U, et al. The Clinical Use of Machine Learning Approaches in Sleep Medicine. Curr Sleep Med Rep. 2021;7(4):137-146. doi:10.1007/s40675-021-00208-4

6. SHAP documentation: Lundberg S. Explainable AI for Trees with SHAP. Available at: https://github.com/slundberg/shap

7. Ni M, Tang Y, Zhang J, Lu Y, Liao J, Dong Z, Wang C, Feng J, Chen W. Personalized obesity hypoventilation syndrome risk assessment among bariatric surgery candidates through explainable machine learning: A multicenter cross-sectional study. Chest. 2026-09-21. PMID: 42767595.